Simulador de Análise de Risco de Crédito (Loan Default Predictor)

Visão Geral

Este projeto implementa um simulador web interativo, construído com Streamlit, para avaliar o risco de inadimplência em empréstimos. A ferramenta utiliza um ensemble de modelos de Machine Learning (MLP, SVM, Decision Tree, Random Forest) previamente treinados e otimizados para calcular a probabilidade de um cliente pagar um empréstimo com base em sua renda, idade e valor solicitado.

Funcionalidades

• Interface Interativa: Permite que um usuário (simulando um gerente de banco) insira os dados do cliente (renda, idade, empréstimo).
• Previsão Ensemble (Soft Voting): Utiliza 4 modelos de ML (MLP, SVM, DT, RF) para prever a probabilidade de pagamento. Calcula a média das probabilidades (Soft Voting) para uma decisão mais robusta.
• Cálculo de Limite Sugerido: Com base na probabilidade média de pagamento, sugere um limite de empréstimo proporcional ao valor solicitado.
• Avaliação de Risco: Classifica o risco percebido (Baixo/Moderado, Moderado/Alto, Alto) com base na probabilidade de pagamento.
• Detalhes por Modelo: Oferece a opção de visualizar as probabilidades individuais calculadas por cada modelo no ensemble.
• Logging: Utiliza o módulo logging para registrar informações sobre a execução e potenciais erros.

Metodologia dos Modelos (Treinamento Prévio)

Os modelos utilizados nesta aplicação foram desenvolvidos em um projeto anterior, seguindo as etapas:

1. Análise Exploratória e Limpeza: Tratamento de dados ausentes e inválidos (idades negativas) no dataset credit_data.csv.
2. Pré-processamento: Escalonamento das features (StandardScaler).
3. Treinamento e Otimização: Diversos classificadores foram treinados e tiveram seus hiperparâmetros otimizados via GridSearchCV.
4. Avaliação Robusta: Validação Cruzada Repetida (30x) e testes estatísticos (ANOVA, Tukey HSD) foram usados para selecionar os modelos mais performáticos e estáveis.
5. Modelos Selecionados: MLP, SVM, Decision Tree e Random Forest foram escolhidos e salvos.

Para detalhes completos sobre o treinamento e avaliação dos modelos, consulte o projeto original disponível em: loan default prediction

Estrutura do Projeto

simulador-de-emprestimos/
├── data/                   # Dados e modelos necessários para a app
│   ├── models/             # Modelos .joblib finais
│   │   ├── mlp.joblib
│   │   ├── svm.joblib
│   │   ├── dt.joblib
│   │   └── rf.joblib
│   └── train_test.joblib   # Dados para ajustar o Scaler
│
├── src/                    # Código fonte da lógica da aplicação
│   ├── __init__.py
│   ├── config.py         # Constantes e configurações
│   └── services/           # Módulos de serviço
│       ├── __init__.py
│       ├── data_processing.py # Carrega e ajusta o Scaler
│       ├── model_loader.py     # Carrega os modelos .joblib
│       └── prediction.py       # Lógica de pré-processamento e Soft Voting
│
├── app.py                  # Arquivo principal da interface Streamlit
├── requirements.txt        # Dependências Python
└── README.md               # Este arquivo

Tecnologias Utilizadas

• Linguagem: Python 3
• Interface Web: Streamlit
• Machine Learning: Scikit-learn
• Manipulação de Dados: Pandas, NumPy
• Persistência de Modelos: Joblib
• Logging: Módulo logging do Python

Configuração e Instalação

1. Clone o Repositório:

   git clone https://github.com/esscova/simulador-de-emprestimos.git
   cd simulador-de-emprestimos

2. Crie um Ambiente Virtual (Recomendado):

   python -m venv venv
   source venv/bin/activate  # Linux/macOS
   # venv\Scripts\activate  # Windows

3. Instale as Dependências:

   pip install -r requirements.txt

Como Executar

Após a instalação, execute o seguinte comando no terminal, dentro do diretório raiz do projeto (simulador-de-emprestimos/):

streamlit run app.py

A aplicação será aberta automaticamente no seu navegador web padrão.

Contato

Desenvolvido por Wellington Moreira Santos

• LinkedIn: linkedin.com/in/wellington-moreira-santos
• GitHub: github.com/esscova